Beratung der Automated Driving Alliance (Cariad/Bosch):

• Deployment, Quantisierung und Optimierung von Multi-Task- und Multi-Modal-Modellen auf Qualcomm-Plattformen.
• Migration der Konvertierungs-Pipeline von Tensorflow zu PyTorch in Azure-ML.
• Analyse des Qualcomm-RPC Verhalten und Laufzeitoverhead für das Systemscheduling von mehreren Modellen.
• HW-Beschleuniger Bringup neuer Qualcomm-Plattform Generation (8797).
• Entwicklung eines PyTorch-Ansatzes zur verbesserten Nutzung von benutzerdefinierten Operatoren und besseren Kontrolle von Quantisierungseinstellungen.
• Quantisierung und Optimierung von AI-Planungsmodellen für Demos.
• Integration der ONNX Runtime in die x86-Simulationsplattform. Implementierung von benutzerdefinierten Operatoren in CUDA.

ADAS & AD in der Automated Driving Alliance (Cariad/Bosch)

• Durchführung einer Machbarkeitsstudie für eine Qualcomm-Plattform; Diskussion mit Qualcomm über benötigte ISP- und NN/AI-Funktionalitäten.
• Erstinbetriebnahme des SA8540-Devkits und der QNN-SDK; Konvertierung von AI-Modellen für die Ausführung auf HW-Beschleunigern; Nachbearbeitung problematischer Layer; Portierung von benutzerdefinierten Layern.
• Durchführung von Modell-Benchmarking: Analyse der Laufzeit und Optimierung von benutzerdefinierten Layern; Optimierung der Modell-Architektur für HW-Beschleuniger.
• Enge Zusammenarbeit mit Qualcomm zur Lösung von Problemen bei der Modellkonvertierung und Laufzeit; Analyse von Qualcomm Quantisierungsprodukten und -problemen (z.B. mixed-precision).
• Implementierung und Integration der Modell-Konvertierung/Evaluierung mit QNN-SDK in den Azure-ML Continuous Training Workflow.
• Unterstützung der Feature-Teams bei hardwarespezifischen Änderungen/Optimierungen.
• Optimierung und Integration des Vision-Stacks auf einer PC-Plattform mit mehreren T4-GPUs unter Verwendung von TensorRT.
• Kamera-Inbetriebnahme auf der Nvidia Xavier-Plattform und Analyse des SIPL-Frameworks (Kamera) auf Basis von Vision-Stack-Anforderungen.

Application Engineering in der Global ADAS Solutions Abteilung.

• Performanceoptimierung von Deep Convolutional Neural Networks (CNN) für semantische Segmentierung und Verkehrszeichenerkennung durch Nutzung des R-CAR Bildverarbeitungsprozessors.
• Spezifikation der Hardwareanforderungen basierend auf Kundenfeedback für den nextgen ADAS SoC; Produktpräsentationen und Schulungen beim Kunden.
• Teilnahme an der ??Adaptive AUTOSAR Demonstrator??-Arbeitsgruppe.
• Yocto Linux Anpassungen für Demos und Benchmarks.

Analyse, Design, Implementierung und Systemtest der Protokollstack-Software, dessen Architektur und Schnittstellen.

• Analyse von Kundenanforderungen; Verfolgung und Analyse der 3GPP Standardisierungsvorschläge und Entscheidungen; Kundenpräsentationen und -schulungen.
• Hauptmitwirkender und Editor der Schnittstellen-Spezifikationsarbeitsgruppe im Industrieverband SmallCellForum.
• Projektleitung von MIMOon im EU- Forschungsprogramm BeFEMTO. Beigetragen zur Performancemetrikdefinition und Implementierung des Systemsimulator (Matlab).
• Definition der Protokollstack-Architektur und kundenseitigen Schnittstellen; Design und Implementierung einer Sendeleistungs- und Zeitversatzregelung.
• Implementierung der OS-Abstraktion, der Messaging (IPC)-Middleware (C/C++) und des Test-Frameworks (Python, C#).
• Portierung des Protokollstacks auf TI Keystone SoC und Broadcom Plattform inklusive OS und IPC Adaptierungen und Integration des TCP/IP-Stacks.
• Benchmarking und Performanceoptimierung: Speicher- und Cache-Operationen, Locking, Threadprioritäten , Interrupt- und DMA-Bearbeitung (HW-Verschlüsselung).

Beratung der Ericsson Mobile Prototype Unit zur Entwicklung eines der ersten LTE Mobiltelefon Prototypen und dessen erfolgreiche Integration und Demo auf dem Mobile World Congress.